是时候玩Pacman了！Pacman将分两个阶段玩游戏。在训练的第一阶段，Pacman将开始学习位置和动作的值。因为学习精确的Q-values值需要很长的时间，即使是很小的网格，Pacman的训练游戏默认以安静模式运行，没有GUI（或控制台）显示。一旦Pacman的训练完成，将进入测试模式。测试时，Pacman的self.epsilon和self.alpha将被设置为0.0，有效地停止Q-learning学习和禁用探索，以允许Pacman利用其学习策略。默认情况下，测试游戏显示在GUI中。在没有任何代码更改的情况下，您应该能够为非常小的网格运行 Q-learning Pacman，如下所示：
python pacman.py -p PacmanQAgent -x 2000 -n 2010 -l smallGrid 请注意，PacmanQAgent的QLearningAgent已经为您定义了。PacmanQAgent的唯一不同之处在于它有默认的学习参数，这些参数对Pacman问题更有效（epsilon=0.05，alpha=0.2，gamma=0.8）。您的代理至少赢得80%的时间，您将获得此问题的全部学分。2000次训练结束后，autograder将进行100次测试。 提示：如果您的qLearningAgent适用于gridworld.py和crawler.py，但似乎没有为smallGrid上的pacman学习提供好的策略，可能是因为您的getAction或computerationFromQValues方法在某些情况下不能正确考虑未看到的动作。特别是，由于未看到的动作在定义上具有0的Q-value值，如果所有已看到的动作都具有负的Q值&#x
